Karier di bidang data dapat memperkenalkan Anda pada beragam teknologi, keterampilan, dan pemangku kepentingan. Anda akan berkesempatan mengerjakan proyek yang berdampak besar pada area inti bisnis, sering kali dalam tim lintas fungsi atau berkolaborasi dengan rekan teknis lainnya.
Peralihan dari peran junior ke senior di data science akan terlihat sangat berbeda bergantung pada industri dan spesialisasi Anda, tetapi bagi sebagian besar data scientist ini memakan waktu 2–5 tahun. Gaji dengan mudah bisa menembus enam digit dengan pengetahuan dan keterampilan yang tepat. Dalam 10 tahun ke depan, permintaan untuk data scientist diperkirakan akan meningkat signifikan, meski perannya mungkin terlihat sangat berbeda karena alat, praktik terbaik, dan metodologi baru terus bermunculan.
Pertumbuhan dalam karier data bisa berbentuk banyak hal, tetapi apa pun tujuan Anda, ada sejumlah kiat dan praktik penting yang perlu diingat. Baca terus untuk mempelajari praktik terbaik kami guna memastikan Anda dapat terus maju secara konsisten sepanjang karier.
1. Definisikan Kesuksesan
Bekerja hanya demi bekerja bukanlah masalah; latihan berkelanjutan dianggap baik dan banyak orang merasakan manfaatnya. Namun, Anda mungkin tidak merasa puas jika tidak memiliki tujuan yang ingin dicapai. Penting untuk duduk sejenak dan mendefinisikan seperti apa kesuksesan bagi Anda. Ini bukan hanya memastikan Anda bergerak ke arah yang benar, tetapi juga memberi Anda cara untuk mengevaluasi kemajuan dari waktu ke waktu. Definisi kesuksesan Anda tidak harus tentang promosi, pendapatan, atau jabatan. Anda mungkin bercita-cita pada tujuan jangka panjang seperti menerbitkan makalah atau menyelesaikan gelar Ph.D. Mungkin Anda ingin memimpin tim atau mengembangkan produk yang digunakan jutaan orang. Dengan mendefinisikan visi kesuksesan, Anda dapat mengidentifikasi langkah-langkah yang diperlukan untuk tumbuh ke arah yang tepat.
2. Jangan Berhenti Belajar
Pernahkah Anda mendengar tentang growth mindset? Riset menunjukkan bahwa mereka yang memiliki pola pikir ini cenderung meraih lebih banyak dibandingkan mereka yang percaya bahwa bakat adalah anugerah bawaan. Karier di bidang data bisa menantang; banyak praktisi akan mengalami kemunduran dan kegagalan. Belajar dari kesalahan sering disebut sebagai salah satu metrik kunci untuk sukses; bahkan wirausahawan sukses pun sering membahas banyak kegagalannya dan pelajaran yang mereka ambil.
Alasan penting lainnya untuk terus mengembangkan keterampilan adalah mengikuti kecepatan perubahan industri yang sangat cepat. Elad Cohen menyebutkan dalam DataFramed (sekitar menit ke-49) bahwa terlepas dari apakah Anda berpikir otomasi akan merampingkan sebagian alur kerja data science atau tidak, banyak orang cenderung meremehkan seperti apa teknologi dalam 10 tahun mendatang. Jika Anda tidak terus belajar dan bertumbuh, industrinya bisa bergerak lebih cepat dari Anda.
3. Terus Bangun Portofolio
Pentingnya portofolio tidak bisa diremehkan. Meskipun sering diasosiasikan dengan data scientist junior yang mencoba mendapatkan peran pertama, portofolio bisa menjadi tempat yang baik untuk mengumpulkan beberapa karya terbaik Anda sepanjang karier. Portofolio juga dapat menjadi wadah untuk mengerjakan topik yang Anda minati, terutama jika Anda tidak berkesempatan melakukannya dalam pekerjaan harian. Terakhir, memperluas portofolio dapat memotivasi Anda untuk menerapkan praktik terbaik sebelumnya, yaitu selalu mengembangkan keterampilan baru.
Memelihara portofolio sepanjang karier memastikan Anda dapat:
- Membagikan karya Anda saat berpindah peran, perusahaan, atau bahkan menjadi pekerja lepas
- Mendokumentasikan pekerjaan paling menarik untuk dikembangkan di kemudian hari
- Memiliki ruang untuk membagikan hasil proyek passion Anda, yang juga disukai data scientist lain
- Membangun personal brand, yang dapat membuka peluang di area karier lainnya
4. Investasikan Kapabilitas Deployment Model
Saat ini, salah satu kesenjangan paling signifikan antara cara data science diajarkan di universitas dan diterapkan di industri adalah MLOps. Singkatnya, MLOps adalah seperangkat alat, praktik, teknik, budaya, dan pola pikir yang memastikan deployment sistem machine learning yang andal dan dapat diskalakan. Salah satu tantangan terbesar yang dihadapi tim data saat ini adalah deployment model machine learning yang efisien dan skalabel, itulah sebabnya estimasi menunjukkan bahwa hanya sekitar 8% perusahaan yang memiliki model di produksi. Tak heran MLOps menjadi salah satu area data science yang pertumbuhannya paling cepat dalam setahun terakhir.
Menginvestasikan waktu untuk kapabilitas deployment model sangat penting bagi banyak data scientist saat ini, bahkan yang sudah berpengalaman bertahun-tahun. Menyadari adanya celah pengetahuan dan mengidentifikasi langkah untuk menutupnya adalah cara yang bagus untuk bertumbuh. Anda tidak harus ahli di setiap alat baru, namun memahami konsep inti MLOps atau perkembangan baru lainnya dan mempelajari cara menerapkan tekniknya akan membawa Anda jauh dan menjadi fondasi untuk spesialisasi nanti. Jika Anda tertarik memulai MLOps, Anda dapat menemukan beberapa sumber daya gratis untuk memulai dalam posting blog ini.
5. Pilih Spesialisasi
Data science adalah bidang yang sangat luas. Dalam e-book ini, DataCamp mendefinisikan data science sebagai “bidang lintas disiplin yang berupaya mengekstrak wawasan bermakna dari data”. Disiplinnya bisa mencakup matematika, statistik, machine learning, pemrograman, visualisasi data, dan banyak lagi. Tidak mungkin satu orang menguasai semua area ini, apalagi ketika dibutuhkan pengetahuan mendalam untuk menerapkan teknik pada satu bidang saja. Misalnya, pertimbangkan seberapa banyak teori yang perlu Anda pahami untuk menerapkan model bahasa alami dengan akurasi memadai dan menghindari bias.
Setelah Anda memiliki sedikit pengalaman di beragam area, ada baiknya mempertimbangkan di mana Anda ingin berspesialisasi. Menjadi ahli di satu bidang adalah cara yang bagus untuk membuka pintu dan mendekatkan Anda pada visi kesuksesan.
6. Bangun Jaringan Anda
Jejaring adalah salah satu cara terpenting untuk bertumbuh dalam karier, dan dapat dilakukan dalam berbagai bentuk seperti menghadiri acara, mengatur “ngobrol santai” dengan orang-orang di industri atau rekan kerja, atau bahkan memberikan presentasi sendiri. Jaringan adalah cara yang bagus untuk mengetahui apa yang terjadi di organisasi lain dan keterampilan baru apa yang mungkin perlu Anda pelajari atau akan dibutuhkan di organisasi Anda di masa depan. Ini juga cara termudah untuk membuka pintu di perusahaan lain jika Anda ingin berganti pekerjaan.
Banyak orang merasa jejaring itu menakutkan, tetapi ada berbagai cara untuk berjejaring dan menemukan acara di komunitas data. Kami telah mengumpulkan daftar konferensi data science terbaik untuk dihadiri pada 2022 sebagai titik awal perjalanan jejaring Anda.
7. Lawan Imposter Syndrome
Imposter syndrome didefinisikan oleh Harvard Business Review sebagai “meragukan kemampuan diri dan merasa seperti penipu,” dan ini adalah sesuatu yang dirasakan banyak data scientist pada suatu titik dalam kariernya. Luas dan dalamnya pengetahuan yang dimiliki data scientist berpengalaman dapat terasa seperti standar yang sangat tinggi di tahap awal karier Anda. Bahkan di kemudian hari, Anda kemungkinan akan bertemu para ahli dengan pengetahuan yang sangat mendalam di setiap subbidang data science. Istilah imposter syndrome menjadi jauh lebih umum beberapa tahun terakhir, dengan banyak eksekutif tingkat tinggi yang terbuka tentang pengalamannya. Karena itu, ada banyak buku yang tersedia untuk membantu memahami bagaimana hal ini memengaruhi Anda dan apa yang dapat dilakukan untuk mengatasinya. Posting Reddit ini juga memuat beberapa data scientist yang berbagi pengalamannya tentang imposter syndrome.
8. Pantau Pasar Kerja
Pertumbuhan karier sangat berkorelasi dengan bagaimana Anda menghabiskan waktu kerja. Jika apa yang Anda lakukan setiap hari tidak selaras dengan definisi kesuksesan jangka panjang Anda, Anda mungkin perlu mengevaluasi ulang posisi Anda. Ini bisa berarti berdiskusi dengan manajer untuk mengubah aktivitas harian Anda atau melakukan perpindahan lateral di dalam organisasi. Namun, selalu penting untuk memahami apa yang terjadi di pasar kerja. Anda mungkin mendapati bahwa keterampilan Anda sangat dibutuhkan, dan perusahaan lain dapat menawarkan peran yang berbeda atau peningkatan gaji dan tunjangan.
Jerry Lee dari Wonsulting, sebuah firma pengembangan karier, merekomendasikan untuk mengikuti wawancara setiap tahun di perusahaan yang Anda minati agar kemampuan wawancara tetap terasah dan memastikan perusahaan Anda saat ini menghargai Anda. Pentingnya hal ini bergantung pada tujuan jangka panjang dan kriteria kesuksesan Anda, tetapi tetap mengikuti dinamika pasar selalu merupakan ide bagus.
9. Tetap Terbarui
Selain mengembangkan keterampilan sendiri, penting juga untuk memiliki gambaran tentang apa yang terjadi di garis depan riset, perusahaan teknologi, dan pemimpin pasar di bidang Anda. Anda tidak selalu harus menyelami detailnya—memahami potensi teknologi terbaru pada tingkat tinggi adalah cara yang bagus untuk tetap mendapat informasi. Nilai tambah jika Anda dapat berdiskusi dengan jaringan Anda tentang teknologi ini untuk mempelajari bagaimana mereka menerapkannya atau mengajarkan sesuatu yang baru!
Sumber yang baik untuk pemantauan tingkat tinggi seperti ini adalah Adam Votava, yang menulis posting mingguan “Keeping Up with Data” di LinkedIn. Ringkasan yang ditulis dengan baik ini adalah cara yang bagus untuk memantau riset terbaru, berita bisnis, bahkan rilis paket Python terbaru. Anda juga bisa berlangganan buletin video Weekly Roundup kami, yang menyajikan berita paling menarik dari komunitas data science, teknologi, dan riset.
10. Pertimbangkan Dampak Pekerjaan Anda
Pertumbuhan dalam karier seharusnya membawa Anda pada pencapaian metrik kesuksesan pribadi – tetapi bagaimana dengan kesuksesan organisasi Anda? Penting untuk mempertimbangkan dampak pekerjaan Anda, apakah itu menghemat waktu melalui alat yang efisien, membantu rekan kerja dengan membuat dasbor informatif, atau menghemat biaya produksi dengan model yang terlatih baik. Memahami dampak Anda di seluruh organisasi memastikan Anda dapat:
- Menyusun business case untuk promosi atau perpindahan pekerjaan
- Meyakinkan perusahaan untuk membiayai pelatihan
- Membahas pekerjaan Anda di konferensi
- Wawancara dengan baik jika Anda berencana berpindah peran
11. Bangun Keterampilan Kepemimpinan
Praktik terbaik #12 akan membahas berbagai jalur karier manajerial yang mungkin Anda tempuh di data science. Namun untuk sampai ke sana, Anda perlu membangun keterampilan kepemimpinan sebagai kontributor individual. Keterampilan kepemimpinan seperti pendelegasian, penentuan prioritas, memberikan umpan balik, dan menetapkan arah yang jelas sangat penting untuk dikembangkan. Bahkan jika Anda tidak memimpin orang, Anda tetap bisa mempelajari dan menerapkan keterampilan ini saat Anda ditunjuk memimpin proyek sebagai kontributor individual.
Akan ada banyak kesempatan untuk membangun keterampilan ini sepanjang karier, namun ini mungkin juga mengharuskan Anda keluar dari zona nyaman. Beranjak dari zona nyaman ke zona peregangan adalah tempat pembelajaran dan keberhasilan terbaik terjadi; jangan menghindari kesempatan ini karena merupakan peluang pertumbuhan yang sangat baik dan akan memberikan hasil sepanjang karier Anda.
12. Pilih Jalur Karier
Jalur karier saat ini tidak selalu berupa garis lurus. Anda mungkin berpindah lateral ke tim atau proyek lain, atau masuk-keluar peran manajerial. Meta telah mengkategorikan beberapa jalur karier mereka di sini, dengan pernyataan bahwa “...menjadi manajer bukanlah promosi. Itu hanya cara lain untuk menyelesaikan pekerjaan”. Filosofi ini umum di banyak organisasi, terutama yang strukturnya lebih datar, dengan banyak tim yang berfokus pada proyek alih-alih fungsi pekerjaan. Bagi Meta, jalur karier intinya adalah
- Senior contributor: Meskipun biasanya tidak memimpin orang, kontributor senior sering membimbing anggota tim junior dan dapat berpengaruh besar pada strategi serta pengambilan keputusan. Jalur ini sebagian besar melibatkan pekerjaan langsung dan coding.
- Tech lead: Jalur ini merupakan kombinasi antara berkontribusi pada pekerjaan teknis dan memimpin tim kecil, seringnya para pekerja data lainnya.
- People managers: Ini adalah jalur manajemen tradisional di mana Anda sangat sedikit melakukan coding dan lebih banyak melakukan pertemuan tingkat tinggi serta manajemen orang sehari-hari.
Penting untuk memahami ke mana Anda ingin berlabuh di kemudian hari. Jika manajemen orang belum untuk Anda saat ini, Anda dapat lebih berinvestasi pada keterampilan teknis. Sebaliknya, jika Anda tertarik ke arah itu, Anda mungkin ingin berjejaring dan mencari peluang untuk mempelajari keterampilan kepemimpinan.
Bonus—Ada Banyak Cara untuk Sukses di Data Science
Artikel ini berisi banyak saran bagi data scientist di dalam organisasi, tetapi ada banyak cara untuk sukses dalam karier data. Dunia akademik, mengajar, freelance, dan pembuatan konten adalah cara-cara untuk memberi dampak positif, belajar atau mengembangkan sesuatu, atau meningkatkan potensi penghasilan Anda. Jangan membatasi diri pada satu perusahaan atau satu jalur karier—pertimbangkan seperti apa kesuksesan bagi Anda dan wujudkan visi tersebut.
Sumber daya tambahan untuk Anda:
- Berlangganan Podcast DataFramed
- Lihat sertifikasi kami
- Tonton webinar tentang membangun portofolio data science ini
